XiaoMi-AI文件搜索系统
World File Search SystemFSOD
通过 Meta 实现即时响应小样本物体检测器......
小样本物体检测（FSOD）旨在通过少量参考样本对新类别的物体进行识别和定位，是一项颇具挑战性的任务。先前的研究通常依赖于微调过程将其模型迁移到新类别，而很少考虑微调的缺陷，从而导致了许多应用缺陷。例如，这些方法由于微调次数过多而无法在情节多变的场景中令人满意，并且它们在低质量（如低样本和类别不完整）支持集上的性能严重下降。为此，本文提出了一种即时响应小样本物体检测器（IR-FSOD），它可以在没有微调过程的情况下准确直接地检测新类别的物体。为了实现目标，我们仔细分析了 FSOD 设置下 Faster R-CNN 框架中各个模块的缺陷，然后通过改进这些缺陷将其扩展到 IR-FSOD。具体来说，我们首先为框分类器和 RPN 模块提出了两种简单但有效的元策略，以实现具有即时响应的新类别对象检测。然后，我们在定位模块中引入了两个显式推理，以减轻其对基类别的过度拟合，包括显式定位分数和半显式框回归。大量实验表明，IR-FSOD 框架不仅实现了具有即时响应的少量对象检测，而且在各种 FSOD 设置下在准确率和召回率方面也达到了最先进的性能。
BI-PATH组合YOLO用于实时的几个射击对象检测
几乎没有射击对象检测（FSOD）近年来随着模型训练期间实例的定量限制而受到更多关注。以前的作品基于元学习和转移学习的重点关注检测精度，但忽略了推断速度，这很难适用于应用量。在这封信中，为了保持高的下环速度和可比的检测精度，我们提出了一个标题为“双路径组合”的实时检测器，您只能看一次（BC-Yolo）FSOD。bc-yolo可以通过两阶段训练方案归类为基于转移学习的单阶段对象检测器。它特别由双路线并行检测分支组成，分别检测基础和新的类对象，并且通常在推断阶段检测对象。此外，为了提升从几个射击对象训练的模型概括，我们进一步提出了一种细心的Dropblock算法，以使探测器专注于对象的整个细节，而不是局部判别区域。Pascal VOC 2007和MS Coco 2014数据集的广泛实验表明，我们的方法可以比最先进的方法在速度和精确度之间实现更好的交易。